生成對抗下的旋轉(zhuǎn)機械故障診斷范文

本站小編為你精心準(zhǔn)備了生成對抗下的旋轉(zhuǎn)機械故障診斷參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：基于深度學(xué)習(xí)的故障診斷方法因其在特征學(xué)習(xí)方面的突出表現(xiàn)而受到研究者的關(guān)注。在實際應(yīng)用中，旋轉(zhuǎn)機械的故障信號難以采集，造成數(shù)據(jù)不平衡的問題。因此，提出了一種基于生成對抗學(xué)習(xí)的旋轉(zhuǎn)機械故障診斷新模型。在該模型中，生成器可以生成特定概率分布的故障數(shù)據(jù)，用來豐富和平衡故障診斷數(shù)據(jù)集。實驗結(jié)果表明，該方法具有良好的診斷性能和應(yīng)用前景。

關(guān)鍵詞：故障診斷；生成對抗網(wǎng)絡(luò)；旋轉(zhuǎn)機械；深度學(xué)習(xí)

深度學(xué)習(xí)由于其良好的特征提取能力，近年來成為機械故障診斷領(lǐng)域的突破性技術(shù)之一。基于深度學(xué)習(xí)的模型已被應(yīng)用于故障診斷。然而，無論是傳統(tǒng)方法還是基于深度學(xué)習(xí)的新方法，機械故障診斷的研究仍然面臨著一些根本的挑戰(zhàn)。比如，在實際工業(yè)現(xiàn)場旋轉(zhuǎn)機械故障是偶發(fā)的，故障相關(guān)信號難以采集，在故障診斷模型訓(xùn)練時存在數(shù)據(jù)量不平衡的問題，該問題已經(jīng)引起了學(xué)術(shù)界的廣泛關(guān)注［1－3］。本文利用生成對抗網(wǎng)絡(luò)來構(gòu)建平衡數(shù)據(jù)集，進而訓(xùn)練故障診斷模型，解決了實際應(yīng)用中故障診斷的這個關(guān)鍵問題。

1生成對抗網(wǎng)絡(luò)概述

1．1對抗生成網(wǎng)絡(luò)雛形

2014年，Goodfellow［4］提出了一種名為生成對抗網(wǎng)絡(luò)（Gen-erativeAdversarialNetworks，GANs）的神經(jīng)網(wǎng)絡(luò)模型，其利用對抗的思想，提高了生成圖像的分辨率，使得網(wǎng)絡(luò)能夠無監(jiān)督地學(xué)習(xí)到數(shù)據(jù)的概率分布。生成對抗網(wǎng)絡(luò)通過交替訓(xùn)練一個生成器G和判別器D，使G能夠生成以假亂真的樣本，而D能夠?qū)φ鎸嵑蜕傻臉颖具M行二分類：真實的樣本經(jīng)過D輸出趨向于1，而G生成的樣本輸入D，得到的結(jié)果趨向于0，其模型結(jié)構(gòu)如圖1a，G的輸入是隨機生成的噪聲矢量。G通過逐步學(xué)習(xí)從而生成與訓(xùn)練樣本分布相同的數(shù)據(jù)。D的輸入是生成的數(shù)據(jù)或原始數(shù)據(jù)，其必須區(qū)分輸入數(shù)據(jù)是真實的還是生成的。訓(xùn)練G和D，不斷更新參數(shù)，直到G能夠反映原始數(shù)據(jù)的分布。其價值函數(shù)為：第一步最大化D的部分使得D能夠很好地鑒別數(shù)據(jù)，第二步最小化G的部分，提高G的性能使得D再次鑒別不了G生成的數(shù)據(jù)，循環(huán)往復(fù)。

1．2對抗生成網(wǎng)絡(luò)的變體

生成對抗網(wǎng)絡(luò)的訓(xùn)練沒有約束，由于生成器的輸入是隨機噪聲，不能生成期望的數(shù)據(jù)。因此，條件生成對抗網(wǎng)絡(luò)［5］通過添加標(biāo)簽信息來生成指定的樣本，其模型如圖1b。其價值函數(shù)增加了標(biāo)簽部分：圖1c展示了輔助分類的生成對抗網(wǎng)絡(luò)［6］，將原始數(shù)據(jù)劃分為多個子類，使得生成器能夠生成更為清晰的樣本，但它的分類器只能起到輔助作用，不具有很好的分類效果。

2故障診斷模型構(gòu)建

針對輔助分類生成對抗網(wǎng)絡(luò)的不足，本節(jié)提出一種改進的增強生成對抗網(wǎng)絡(luò)，并將其應(yīng)用于旋轉(zhuǎn)機械的故障診斷，可以有效地解決工業(yè)界在訓(xùn)練診斷模型時面臨的不平衡數(shù)據(jù)集問題。

2．1生成器

生成器G的任務(wù)是將正態(tài)分布或其它分布的隨機向量（特征）映射到真實序列中，圖2為映射的具體實現(xiàn)形式。本文引入圖像生成的反卷積操作，通過改變數(shù)據(jù)形式能很好地處理時間序列。參照語義分割［7］的模型，構(gòu)造了一個三層反卷積作為G網(wǎng)絡(luò)。

2．2判別器

真實數(shù)據(jù)和生成器生成的數(shù)據(jù)轉(zhuǎn)化成32×32的特征圖，輸入到判別器網(wǎng)絡(luò)中，通過在每個卷積層后設(shè)置LeakyReLU激活函數(shù)和dropout神經(jīng)元隨機失活層，進行卷積操作得到深層特征，再分別經(jīng)過兩個全連接層，判別是否存在故障，如有識別故障類型。生成器模型如圖3所示。

2．3訓(xùn)練流程

當(dāng)滾動軸承旋轉(zhuǎn)時，傳感器收集原始輸入數(shù)據(jù)。原始數(shù)據(jù)經(jīng)過標(biāo)注故障類型，作為D在一次迭代訓(xùn)練過程中的輸入。G構(gòu)造一個映射，輸入是有標(biāo)簽的噪聲隨機值，噪聲的值可以是－1到1之間的正態(tài)分布。生成的數(shù)據(jù)與實際數(shù)據(jù)結(jié)合，成為D的另一個輸入。D網(wǎng)絡(luò)學(xué)習(xí)輸入數(shù)據(jù)的特征，計算損失函數(shù)，得到一個梯度來更新D和G的參數(shù)。優(yōu)化目標(biāo)由三部分組成，分別是分類的交叉熵損失函數(shù)、判別器的損失函數(shù)和生成器的損失函數(shù)。公式如下所示：

3實驗驗證

3．1數(shù)據(jù)集

圖4展示了軸承數(shù)據(jù)的采集裝置，其包括驅(qū)動電機、梅花聯(lián)軸器、健康軸承、測試軸承、螺栓螺母加載系統(tǒng)、加速度計、NIPXle－1082數(shù)據(jù)采集系統(tǒng)的實驗平臺。SGSF－20K測功機安裝在螺栓螺母加載系統(tǒng)中，帶有加載螺栓、螺母和緩沖裝置。螺母被壓緊在支架上，通過擰緊螺栓上方的螺母來產(chǎn)生可調(diào)節(jié)的徑向載荷。通過PCB352C33加速度計采集信號，采樣頻率為10kHz。包含四種設(shè)備狀態(tài)（正常故障、外圈故障Out、內(nèi)圈故障In和滾動體故障Ball）和三種故障尺寸（0．2mm、0．4mm和0．6mm)，九個故障工況分別標(biāo)注為Out02、In02、Ball02、Out04、In04、Ball04、Out06、In06和Ball06。

3．2實驗結(jié)果及可視化

基于上述實驗裝置進行了四組實驗，將處理好的數(shù)據(jù)輸入到本文設(shè)計的模型中得到F－score診斷指標(biāo)，如表1所示。F－score是一種衡量模型能力的指標(biāo)，分數(shù)越高性能越優(yōu)異。通過與普通卷積神經(jīng)網(wǎng)絡(luò)模型CNN對比，本文提出的模型在不平衡數(shù)據(jù)情況下體現(xiàn)其優(yōu)越性。進一步可視化研究，用T－SNE［8］方法對模型中間層的特征向量進行可視化，如圖5所示其中a、b、c分別代表生成數(shù)據(jù)、訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)的特征向量。由圖可知，本文提出的模型具有較強的分類能力。

4結(jié)束語

本文對深度學(xué)習(xí)中的輔助分類生成對抗網(wǎng)絡(luò)做了改進，使其能夠應(yīng)用于旋轉(zhuǎn)機械故障診斷領(lǐng)域，并著重介紹了相關(guān)模型，通過實驗裝置模擬了工業(yè)領(lǐng)域存在的不平衡故障數(shù)據(jù)集問題。實驗結(jié)果表明，該模型效果優(yōu)于傳統(tǒng)方法和一般的深度學(xué)習(xí)方法，具有較高的應(yīng)用價值。

作者：李奇 張菁華 楊冰如 陳良 單位：蘇州大學(xué)機電工程學(xué)院